中興大學 生物系統工程研究室 陳加忠

資料來源:

https://www.sciencedirect.com/science/article/pii/S2772375522000090

摘要

農業被認為是在確保糧食安全方面發揮策略作用的最重要部門之一。然而，隨著世界人口的增加，對農業食品的需求也在成長，這就需要從傳統的農業方法轉向智慧農業作業，也稱為農業 4.0。為了充分利用農業 4.0 的潛力，了解和解決與之相關的問題和挑戰具有重要意義。因此，本研究目的在通過調查農業行業數位技術的新興趨勢，為農業 4.0 的發展做出貢獻。為此，基於系統評價和巨量分析的首選報告項目協議進行系統文獻評價，以分析過去十年發表的與農作物種植相關的科學文獻。應用該協議後，選擇了 148 篇論文，並在服務類型、技術準備水準和農場類型的背景下檢查了數位技術在農業中的採用程度。結果表明，自主機器人系統、物聯網和機器學習等數位技術得到了顯著引用。研究中經常考慮露天農場（69%），與室內農場（31%）相反。此外大多數用例仍處於原型階段。最後確定了農業部門數位化的潛在障礙，並在技術和社會經濟層面進行了分類。這項全面評論提供了有關農業數位技術現狀以及未來機遇的有用資訊。

一、簡介

1.1。全球糧食安全問題

糧食安全是一個多維概念，通過確保可持續、有營養的食物供應來緩解飢餓。它的特點是如圖 1所示的四支柱模型，每個支柱都固有地確保糧食安全^[1]。

圖 1. 聯合國糧食及農業組織的糧食安全四支柱模型。

圖 2. 農業價值鏈：階段和主要功能。

由於人口快速成長、城市化、工業化、耕地流失、淡水稀缺和環境退化等人為因素，糧食安全正成為一個嚴重的全球性問題。這是因為這些因素也直接影響著農業，而農業是世界各地農產品生產的主要來源。預計到 2050 年，全球人口將從目前的 77 億增加到 92 億，城市人口將增加 66%，耕地將減少約 5000 萬公頃，全球溫室氣體排放（CO₂ 來源，促進作物病蟲害成長）將增加 50%，農業食品產量將下降 20%，最終，糧食需求將增加 59% 至 98%，對糧食安全和充足的糧食供應構成迫在眉睫的威脅^{[2 ] [3] [4]} 。為了滿足日益成長的糧食需求，全世界的農業從業者需要最大限度地提高作物和畜牧業的農業生產力。在這篇評論文章中，重點是涉及種植糧食和經濟作物的農作物種植。一個典型的農業食品價值鏈，描繪了農產品生產涉及的三個主要階段。即田前（種植前階段）、田間（種植和收穫階段）和田間後（收穫後階段）如圖2所示。所有階段在價值鏈中都發揮著十分重要的作用，但在本次評論中，將考慮第二階段˝田間˝涉及多個作物生長過程，如耕作、播種、噴灑和收穫等。這些過程目前採用勞動密集型的傳統農業做法，需要耕地、時間和大量水（用於灌溉），這使得生產足夠的農業食品成為一項挑戰^[5]。部分問題還與農藥和除草劑的不規範使用以及現有技術的濫用有關，這些技術對作物造成危害並最終導致農業廢棄物 ^[6]。這些問題可以通過整合複雜的技術和基於電腦的app來解決，以確保作物產量高、耗水量少、農藥/除草劑利用率最佳化和作物品質提高。這就是智慧農業概念的用武之地。

1.2.智慧農業

工業4.0，也被稱為第四次工業革命，正在徹底改變和重塑每一個行業。這是一項策略計劃，融合了新興的顛覆性數位技術，如物聯網 (IoT)、大數據和分析 (BDA)、系統整合 (SI)、雲端計算 (CC)、模擬、自主機器人系統 (ARS) )、增強現實 (AR)、人工智慧 (AI)、無線感測器網路 (WSN)、網路物理系統 (CPS)、數位孿生 (DT) 和增材製造 (AM)，{Internet of Things (IoT), big data and analytics (BDA), system integration (SI), cloud computing (CC), simulation, autonomous robotic systems (ARS), augmented reality (AR), artificial intelligence (AI), wireless sensor networks (WSN), cyber-physical system (CPS), digital twin (DT), and additive manufacturing (AM)}以實現行業的數位化^{[7 ]}這些技術在農業中的整合正在引發下一代工業農業，即農業 4.0，也稱為智慧農業或數位農業^[7]。

智慧農業為農民提供了一套多樣化的工具（如圖3所示），以解決與農業生產力、環境影響、糧食安全、作物損失和可持續性相關的若干農業糧食生產挑戰。例如，借助由 WSN 組成的支持物聯網的系統，農民可以遠程連接到農場，而不受地點和時間的限制，以監控和控制農場營運。配備高光譜相機的無人機可用於從農田的異構來源收集數據，自主機器人可用於支持或完成農場的重複性任務。數據分析技術可用於分析收集到的數據，電腦app可用於協助農民進行決策過程。同樣，可以在智慧農業中監測和分析與環境因素、雜草控制、作物生產狀況、水分管理、土壤條件、灌溉計劃、除草劑和殺蟲劑以及環控農業相關的各種參數，以提高作物產量，通過使用現代系統^[8]最大限度地降低成本、提高產品品質並保持過程輸入。

1.3.研究動機和貢獻

準備本次評論的動機源於這樣一個事實，即農業系統中的數位技術為提高農場生產的效率和效益提供了新的策略解決方案。此外數位化轉型為實施現代農業作業提供了一條途徑，例如垂直農業（水耕法、魚菜共生法和汽耕法），這有可能克服糧食安全問題。但是從技術、社會經濟和管理的角度來看，與這種轉變相關的一系列問題和限制必須消失才能充分利用農業 4.0 ^[9]的潛力。許多研究通過提供有關智慧農業的關鍵應用、優勢和相應研究挑戰的簡潔資訊，討論了農業 4.0 發展的新興趨勢^[9-18] 。這些研究的研究重點僅限於解釋更通用的技術方面，同時僅關注一種或少數數位技術，和/或增強農業供應鏈績效，和/或發展農業 4.0 定義，和/或通過以下方式實現可持續農學精準農業，和/或提出智慧農業框架。然而這些研究並未明確討論用於開發不同系統的工具和技術以及這些系統的成熟度。也缺乏考慮現代無土農場的研究，如水耕法、魚菜共生法和氣耕法（室內/室外）以及這些農場中數位技術的影響。因此有必要從不同的角度分析農業4.0的演變，以激發該領域的討論。本研究目的在對第 1.1 節中提到的不同類型農場的農業生產價值鏈第二階段（現場）實施的數位技術進行整體概述。該研究的主要理論貢獻包括分析和傳播所使用的工具和技術、農場類型、發達系統的成熟度，以及農業 4.0 發展中的潛在障礙或抑制因素。評論中提出的思考將支持研究人員和農業從業者未來對農業 4.0 的研究。

1.4.論文組織

引言之後，本文結構如下：第 2 節討論用於收集相關文獻的方法；然後，第 3 節介紹了對選定的研究進行一般分析後獲得的統計結果；接下來，第 4 節詳細概述了農業數位化中使用的核心技術；之後，第 5 節強調了農業數位化整合的技術和社會經濟障礙；接下來，第 6 節概述了有關農業數位化和向農業 5.0 過渡的附加值、考慮因素和未來前景的研究問題的討論；最後，第 8 節結束了評論。

2. 研究方法

系統文獻綜述 (SLR) 是一種用於管理各種知識和識別與預定主題相關的研究的工具^[19]。在本研究中，SLR 目的在調查工業 4.0 技術在農業中的現狀。特別是，在使用第 1.2 節中提到的任何“工業 4.0 技術”的文章的標題、摘要或關鍵詞中同時出現“農業”一詞的情況下進行搜索。在進行 SLR 之前，定義了一個評論協議，以確保一個透明和高品質的研究過程，這是使文獻評論系統化的特徵^[20]。評論協議還有助於通過進行詳盡的文獻檢索，來最大限度地減少偏見。這包括三個步驟：研究問題的制定、搜索策略的定義以及納入和排除標準的規範。本文使用系統評價和巨量分析 (PRISMA) 方法進行 SLR 的首選報告項目。 PRISMA 是一套基於證據的最小項目集，用於指導系統文獻綜述和其他巨量分析的開發過程^[19]。

2.1。評論協議

在進行書目分析以識別、評估和解釋與研究範圍相關的結果之前，定義了評論協議（在表 1中）。首先，制定研究問題，以便從不同維度對感興趣的研究領域中已發表的研究進行分析。這些問題都需要在研究中得到解答。接下來，定義搜索策略，這有助於稍後在搜索方程中識別適當的關鍵字，以識別相關資訊源，例如提供對大量數位文檔的訪問的學術數據庫和搜索引擎。三個在線研究存儲庫用於檢索相關研究：ScienceDirect 1 、Scopus 2和 IEEE Xplore 3 。最後，為了細化每個數據庫的搜索結果，通過預先定義包含和排除標準來設置邊界，以便對選定出版物進行進一步調查和內容評估。例如，它涉及定義從 2011 年到 2021 年的研究過程的時間間隔，以將研究限制在以英語發表的研究，而不考慮書籍和灰色文獻的章節，例如事件和研討會的報告和摘要。評論協議的最後兩個步驟允許對元數據源進行初步過濾並縮小研究範圍。

表 1. 系統文獻評論的評論協議。

2.2.評估過程

如圖 4所示的 PRISMA 流程圖詳述。通過應用搜索表達式進行初始原數據過濾後，總共找到 3165 條記錄（Scopus 中的 1690 條，ScienceDirect 中的 926 條，IEEE Xplore 中的 549 條），然後在識別階段合併這些記錄以去除重複項。此步驟後的發表量減少到2876篇。在篩選階段，對論文的標題和摘要進行分析，僅選擇498篇論文進行閱讀。在第三階段，對這些文章進行全文篩選，以驗證它們是否符合本文的目的，即回答表 1中提到的研究問題。在 498 篇論文中，有 137 篇與本綜述相關。另外 11 篇是通過交叉引用的方式添加的，最終選擇了 148 篇論文進行進一步分析。

圖 4. 文獻檢索過程的四步評估 (PRISMA)。

2.3.對有效性的威脅

SLR 複製：所呈現的 SLR 容易受到有效性威脅，因為當前搜索僅限於三個在線存儲庫。如果探索其他來源，可能會發現更多出版物。 SLR 的過程在2.1和2.2小節中有清楚的描述，因此可以認為有效性得到了很好的解決。但是，在復制此 SLR 的情況下，可能會發現略有不同的出版物。這種差異可能是由於在 PRISMA 的篩选和資格步驟中不同的個人選擇造成的，但總體調查結果不太可能發生變化。

搜索字符串：用於查找相關研究的搜索字符串涵蓋了 SLR 的整個範圍，但可能會錯過有價值的研究。具有更廣泛搜索的其他關鍵字和同義詞可能會返回更多研究。

3. 農業數位化趨勢

2011 年至 2021 年 148 篇文章的逐年分佈如圖 5 所示。在過去十年中，大約 22% 的科學出版物是在 2018 年發表的。這反映了農業在數位技術實施的背景下取得了長足的進步，但與其他領域相比，步伐仍然緩慢，例如醫療保健、製造、採礦、汽車、能源等 ^[15]。

這些出版物在數位技術（1.2）和目標農場類型方面的細分如圖 6 所示。

圖 6. 148 項選定研究的技術分佈。

農場類型是指在開發app或框架時考慮的作物耕作方法。例如，耕作方法可以是基於土壤的或無土的。土壤耕作類別包括露天田地（傳統的戶外農業農場）和溫室農場（室內）。另一方面，無土農業類別涉及現代農業作業，如魚菜共生、氣更和水耕（主要是室內）。圖 6中堆疊列頂部的數位表示使用特定技術開發智慧農業系統的研究總數，而不同顏色的列表示各自的農場類型。分析來自這些出版物的用例，並得出結論。例如，發現自主機器人系統（包括無人駕駛車輛和無人駕駛飛行器（無人機））、物聯網和機器學習似乎是過去十年農業領域廣泛應用的技術。同一張圖表明，大數據、無線感測器網路、網路物理系統和數位孿生是農業的新興領域。此外，與室內農場（31%）相反，露天農場是研究中最常考慮的（69%）。對於無土耕作系統（魚菜共生、汽耕和水耕），僅發現 22 種出版物，這暗示這些現代農業作業仍處於起步階段。

同樣，每個用例的服務都被識別並分為九個不同的服務類別，即：i）作物管理、CM（估計/預測作物產量/生長速率/收穫期和種子種植/收穫/授粉/噴灑（肥料） /農藥））； ii) 作物品質管理、CQM（鮮重、綠色生物量、高度、長度、寬度、葉密度、色素含量（葉綠素）和植物化學成分）； iii) 水和環境管理，WEM（監測和控制流量、水位、水質（營養）、溫度、濕度、二氧化碳和天氣預報等）； iv)灌溉管理，IM（水資源壓力檢測和調度）； v) 農場管理，FM（監控農場營運、跟踪和計數產品、確定生產效率、財務分析、能源消耗分析、技術整合和決策實施）； vi) 病蟲害管理，PDM（害蟲識別和疾病檢測）； vii) 土壤管理，SM（水分含量、土壤養分、肥料需求和施用）； viii) 雜草和不需要的植被管理，WUVM（雜草/未知植被繪圖、分類和除草劑應用）； ix)水果檢測和計數，FDC，如圖7所示。這些類別說明了不同數位技術在智慧農業中的作用。經分析，作物管理參數，如作物產量預測、生長速率估計或收穫期評估是過去十年中農業 4.0 研究最多的領域（29%），而很少受到關注土壤管理（2%）、水果檢測和計數（2%）和作物品質管理（3%）。

圖 7. 選定研究的服務分佈：

使用歐盟的 TRL 量表檢查所有用例的技術準備水準 (TRL)，該量表將系統的成熟度級別劃分為三個通用級別^[21]。第一級是概念性的，代表歐洲 TRL 1-2（用例處於概念階段），第二級是原型，這意味著歐洲 TRL 3-6（即使沒有完整的計劃功能，用例也可以工作），以及第三級已部署，包括歐洲 TRL 7-9（用例已成熟，具有所有可能的功能）。圖 8描述了在選定研究中開發的每個用例的 TRL。據觀察，在將智慧農業系統從概念和原型水準推進到商業水準方面進展甚微。例如，大多數用例 (129) 都處於原型級別。

圖 8. 基於服務類別和系統成熟度的研究分佈。

4. 農業 4.0 賦能技術

表 1中的 RQ1 和 RQ2 提供了重要見解。

4.1。物聯網驅動的農業系統

物聯網 (IoT) 是指與互聯網連接的相互關聯的計算設備、感測器、電器和機器的宇宙，每一個都具有執行遙感和監控的獨特身份和能力^[21]。物聯網的參考架構分為六層，即感知層（硬體設備）、網路層（通信）、中間件層（設備管理和互操作）、服務層（雲端計算）、應用層（數據整合和分析）和終端-用戶層（user-interface），如圖9所示。在農業領域，物理層的物聯網設備收集與環境和作物參數相關的數據，例如溫度、濕度、pH 值、水位、葉色、鮮葉重等。這些數據的傳輸發生在網路中層，其設計取決於選擇與田地大小、農場位置和耕作方法類型相關的合適的通信技術。例如，ZigBee、 LoRa和 Sigfox 被廣泛用於戶外領域，因為它們更便宜、能耗低、傳輸範圍好^[22-23] 。儘管藍牙是一種安全技術，但它僅用於室內農場，因為它提供了較短的傳輸範圍^[22] 。由於 Wi-Fi 成本高、能耗高^[22]，因此 Wi-Fi 在農業應用中不是一種有前途的技術。另一方面，RFID（射頻識別）和 NFC（近場通信）技術在農業系統中越來越多地用於跟踪農產品^[24] 。 GPRS 或移動通信技術（2G、3G 和 4G）用於定期監測環境和土壤參數。此外農業場景中主要使用的通信協議有HTTP、WWW、SMTP。同樣，為了確保其上下文感知功能的互操作性和系統安全性，中間件 HYDRA 和 SMEPP 主要用於農業系統^[25] 。為了存儲數據，服務層採用了雲端計算技術。然後將這些數據用於應用層，以建立農民、農業專家和供應鏈專業人員使用的智慧app，以提高農場監控能力和生產力。

圖 9. 物聯網 (IoT) 的六層架構，（改編）^{[ 26 ]}。

物聯網與農業的整合目的在為農民提供決策工具和自動化技術，無縫整合知識、產品和服務，以實現高生產力、品質和利潤。對物聯網概念在農業領域的育成進行了大量研究並提出了建議。部分研究的主要發現見表 2 。通過開發基於物聯網的農業系統，已經解決了多個技術問題和架構問題。但目前這些系統中的大多數不是處於概念階段，就是處於原型形式（非商業化）。重點主要放在農場管理、灌溉控制、作物生長、健康監測和疾病檢測。其中一些研究還解釋了物聯網在現代農業系統中的實施，例如垂直農業（無土農業 -魚菜共生、水耕和汽耕）和溫室農業（基於土壤）。此外，大多數研究都集中在解決特定問題上。

表 2. 物聯網驅動的農業系統。

4.2.農業中的無線感測器網路

無線感測器網路（WSN）被認為是在物聯網系統中使用的一種技術。它可以定義為一組空間分佈的感測器，用於監測環境的物理條件，臨時存儲收集的數據，並在中心位置傳輸收集的資訊^[22] 。 WSN的一般架構如圖10所示。用於智慧農業的 WSN 由通過無線連接模塊連接的眾多感測器節點組成。這些節點具有多種能力（例如，處理、傳輸和感測），使它們能夠自組織、自配置和自診斷。有不同類型的 WSN，它們根據部署的環境進行分類。這些包括陸地無線感測器網路（TWSN）、無線地下感測器網路（WUSN）、水下無線感測器網路（UWSN）、無線多媒體感測器網路（WMSN）和移動無線感測器網路（MWSN） ^[55] 。在農業應用中，TWSN和UWSN被廣泛使用。在 TWSN 中，節點部署在地表之上，由用於收集周圍數據的感測器組成。 WSN 的第二個變體是它的地下對應物， WUSN，感測器節點被種植在土壤中。在這種情況下，較低的頻率很容易穿透土壤，而較高的頻率會受到嚴重的衰減^[56] 。因此，由於通信半徑有限，網路需要更多的節點來覆蓋較大的區域。文獻中提供了許多研究文章，討論了 WSN 在不同的室外和室內農場應用中的應用，例如灌溉管理、水質評估和環境監測。表 3中給出了其中一些文章的摘要。這些研究的重點是開發簡化、低成本、節能和可擴展的 WSN 架構。然而，與 WSN 相關的各種因素需要進一步關注，例如最少的維護、健壯和容錯的架構以及互操作性。

圖 10. 通用架構無線感測器網路 (WSN)。

表 3. WSN 在農業系統中的使用。

4.3.農業中的雲端計算

根據美國國家標準與技術研究院 (NIST the National Institute of Standard and Technologies) 的定義，雲端計算 (CC) 被定義為一種模型，用於實現對可配置計算資源（例如，網路、服務器、存儲）。共享池無處不在、方便、按需的網路訪問。 app和服務），可以通過最少的管理工作或服務提供商交互來快速配置和發布^[67] 。 CC 的主要架構如圖 11所示，由四層組成：數據中心（硬體）、基礎設施、平台和app^[68] 。這些層中的每一層都與特定的雲端服務模型相關聯，這些模型分為軟體即服務 (SaaS)、平台即服務 (PaaS) 和基礎架構即服務 (IaaS)。雲端計算在過去十年在農業領域獲得了極大關注，因為它提供：1）通過 WSN 和其他預配置物聯網設備從不同領域收集的數據的廉價存儲服務，2）執行智慧決策的大規模計算系統通過將這些原始數據轉化為有用的知識，以及 3) 開發農業物聯網app的安全平台^[69] 。結合物聯網和無線感測器網路，CC 被用來開發不同的農業應用，其中大部分如表 2和表3所示。 CC 技術還用於建立營運農場管理系統 (FMS)，以支持農民和農場管理者有效監控農場營運表 4 。介紹了其中一些 FMS 的顯著特徵。全球研究中正在探索的另一個感興趣的話題與農產品品質的可追溯性有關[70] 。但只嘗試了初步研究來探索食品安全和品質標準的可追溯性。

圖 11. 雲端計算架構，改編自 ^{[ 68} ]。

表 4. 基於雲端計算的農場管理系統。

基於雲端的農業系統具有解決糧食需求增加農藥和化肥過度使用造成的環境污染以及農產品安全等問題的潛力。然而這些 FMS 不具備支持與農民不同需求相關的運行時定制的能力。此外由於大多數農場數據通常是碎片化和分散的，因此很難在當前的 FMS app中正確記錄農場活動^[75] 。

4.4.農業中的邊緣/霧計算

物聯網的快速發展導致感測器和智慧設備的爆炸式成長，產生大量數據。即時處理和分析如此大量的數據具有挑戰性，因為它增加了雲端服務器的負載，也降低了反應速度。在處理如此龐大的數據集時，僅使用雲端服務器無法提供即時反應。此外，IoT app對網路延遲很敏感，因為它們需要在設備和雲端之間不斷交換資訊，這使得 CC 無法處理這些app^[23] 。邊緣計算概念的出現可以解決與CC相關的問題。這種新的計算模型將計算和存儲資源（如小雲端或霧節點）部署在網路邊緣，更靠近移動設備或感測器等數據源。這樣，它可以促進即時分析，同時保持設備上的數據安全^[23] 。邊緣計算為智慧農業提供了有趣的可能性，但該技術在農業系統中的應用還處於起步階段。因此，這方面的研究很少；見表5 。這些研究中討論的大多數基於邊緣計算的農業系統都是原型的，並且解決了各種農業領域中有限的問題選擇。到目前為止，互操作性和可擴展性問題還沒有得到足夠的考慮。

表 5. 基於邊緣計算的農業系統。

4.5.農業中的自主機器人系統

自主機器人系統 (ARS) 是智慧機器，能夠即時執行任務、做出決策和行動，具有高度的自主性，沒有外部影響或沒有明確的人工干預^[83] 。近年來，人們對農業 ARS (AARS) 的興趣顯著成長，因為它們能夠自動化室外和室內農場的一些作業，包括播種、澆水、施肥、噴灑、植物監測和表型分析、環境監測、疾病檢測、雜草和害蟲控制和收穫^[15] 。農業機器人結合了電腦視覺、無線感測器網路、衛星導航系統（GPS）、人工智慧、CC和物聯網等新興技術，從而幫助農民提高生產力和農產品品質。智慧農業中的 AARS 可以是移動 AARS，可以在整個工作領域移動，也可以是固定 AARS ^[84] 。移動 AARS 進一步分為無人駕駛地面車輛 (UGV) 和 2) 無名飛行器 (UAV)，以下各節將對此進行解釋。

4.5.1。農業中的無人駕駛地面車輛

無人地面車輛 (UGV) 是在沒有人類操作員的情況下在地面上操作的農業機器人。 UGV的主要部件一般包括：用於機車設備和機械手的平台、用於導航的感測器、監控系統、用於控制系統的接口、用於設備之間資訊交換的通信鏈路以及用於硬體和軟體代理之間整合的系統架構^[85] 。 UGV 的控制架構可以遠程操作（由人工操作員通過界面控制）或完全自主（無需人工控制器基於人工智慧技術進行操作） ^[85] 。同樣，機車系統可以基於車輪、軌道或腿^[85] 。儘管腿式機器人具有較高的地面適應性、內在的全向性和土壤保護性，但它們在農業中並不常見。然而當與輪子（輪腿機器人）結合使用時，這些機器人為智慧農場提供了一種顛覆性的運動系統。除了內場操作所需的特性外，UGV 還應滿足某些要求，例如小尺寸、機動性、彈性、效率、人性化界面和安全性，以提高作物產量和農場生產力。表 6總結了為農業作業設計的各種 UGV。

表 6. 為執行農業任務而設計的不同類型的 UGV。

上面介紹的大多數農業機器人系統都具有 4WD 機車系統，因為它易於建立和控制。 4WD 的缺點是車輪受到包含石頭和/或空洞的地形的強烈影響^[85] 。因此，探索其他機制，例如腿式或輪腿式機車系統具有重要意義。一些機器人擁有電腦視覺系統，但由於難以開發出準確可靠的系統來替代人工。這些機器人大多採用低成本的電腦視覺系統，即使用傳統的 RGB 相機。此外，上述大部分系統仍處於研究階段，還沒有大規模的商業用途。

4.5.2.農業無人機

無人駕駛飛行器(UAV) 或空中機器人是沒有人類飛行員的飛機。根據飛行所採用的技術類型（機翼結構）和自主水準，無人機的種類繁多^[96] 。例如，根據機翼類型，無人機可以是固定翼（飛機）、單旋翼（直升機）、混合系統（垂直起降）和多旋翼（無人機）。其中，由四個（四旋翼）或六個（六旋翼）旋翼提升和推進的無人機（多旋翼技術）由於其機械簡單性而在農業領域越來越受歡迎，而直升機則依賴於一個更複雜的板塊控制機制^[97] 。類似地，根據自治水準，無人機可以是遙控操作的，其中飛行員向飛機的每個致動器提供參考以便以與機載飛行員相同的方式控制它，或者飛機依賴的遙控操作機載自動控制器，負責維持穩定的飛行^[96] 。配備適當的感測器（視覺、紅外、多光譜和高光譜相機等），農業無人機允許農民從他們的田地中獲取數據（植被、葉面積和反射率指數），以研究無法通過偵察地面檢測到的農作物的動態變化^[98] 。這些數據允許農民推斷與作物病害、營養缺乏、水位和其他作物生長參數相關的資訊。有了這些資訊，農民可以計劃可能的補救措施（灌溉、施肥、雜草控制等）。表 7回顧了一些用於不同農業作業的基於無人機的系統。

表 7. 為執行不同農業作業而開發的不同基於無人機的系統。

上面提到的大多數系統仍處於研究階段，沒有大規模的商業用途。這些無人機的其他問題與電池和飛行時間有關^[96] 。目前，正在使用鋰離子電池，因為它們的容量比傳統電池大。但是電池容量的增加會增加無人機的重量，現在正在研究解決這個問題。此外，現有的無人機具有複雜的用戶界面，只有專家才能使用它們來執行農業任務。通過改進用戶界面，使其以人為中心並提供多模式反饋，將使年長或不熟悉無人機技術的人更容易控制它。

4.6.農業大數據和分析

物聯網和 CC 技術的快速發展極大地增加了數據的規模。該數據也稱為大數據 (BD)，包括文本內容（即結構化、半結構化和非結構化）和多媒體內容（例如錄影、圖像、音頻） ^[119] 。檢查這些數據以發現隱藏模式、未知相關性、市場趨勢、客戶偏好和其他有用資訊的過程稱為大數據分析 (BDA)。大數據通常根據五個 V 定義的五個維度進行表徵，如圖 12 所示 ^[120] 。 BD 驅動的智慧農業模式相對較新，但這種應用的趨勢是積極的，因為它有能力通過增加產量為食品供應鍊和糧食安全帶來革命性的變化。農業大數據通常來自農業的各個部門和階段，可以通過地面感測器、飛行器和使用專用攝影機和感測器的地面車輛從農田採集。來自政府機構的報告和條例；通過在線網路服務來自私人組織；通過調查以知識的形式從農民那裡獲得；或來自社交媒體^[120] 。數據可以是環境（天氣、氣候、濕度水準等）、生物（植物病害）或地理空間數據，具體取決於農業領域，並且在數量、速度和格式方面有所不同^[121] 。收集的數據存儲在電腦數據庫中，並通過電腦演算法進行處理，用於分析種子特徵、天氣模式、土壤特性（如 pH 值或營養成分）、營銷和貿易管理、消費者行為和庫存管理。使用各種技術和工具來分析農業大數據。一些研究的總結在表 8中給出。機器學習、基於雲端的平台以及建模和模擬是最常用的技術。特別是，機器學習工具用於預測、聚類和分類問題。而云平台用於大規模數據存儲、預處理和可視化。現有文獻中仍有許多潛在領域沒有充分涵蓋，BDA 可用於解決各種農業問題。例如，這些包括數據密集型溫室和室內垂直農業系統、室外和室內農場作物的品質控制和健康監測、基因工程、協助農民設計室內垂直農場的決策支持平台，以及決策者的科學模型協助他們就物理生態系統的可持續性做出決策。最後，大多數系統仍處於原型階段。

圖 12 “大數據”的五個維度。

表 8. 農業大數據工具和服務。

4.7.農業中的人工智慧

人工智慧（AI）涉及理論和電腦系統的發展，這些系統能夠執行需要人類智慧的任務，例如感官感知和決策^[126] 。結合 CC、物聯網和大數據，人工智慧，特別是在機器學習 (ML) 和深度學習 (DL) 方面，被視為農業數位化背後的關鍵驅動力之一。這些技術具有提高作物產量和改善即時監測、收穫、加工和營銷的潛力^[127] 。開發了幾種智慧農業系統，它們使用 ML 和 DL 算法來確定各種參數，例如雜草檢測、產量預測或疾病識別。這些系統將在接下來的兩個小節中討論。

4.7.1.農業機器學習

機器學習 (ML) 技術大致分為三類：1) 監督學習（線性迴歸、迴歸樹、非線性迴歸、貝葉斯線性迴歸、多項式迴歸和支持向量迴歸），2) 無監督學習（k-means聚類、層次聚類、異常檢測、神經網路(NN)、主成分分析、獨立成分分析、先驗算法和奇異值分解 (SVD))； 3）強化學習（馬爾可夫決策過程（MDP）和Q學習） ^[128] 。 Machine learning (ML) techniques are broadly classified into three categories: 1) supervised learning (linear regression, regression trees, non-linear regression, Bayesian linear regression, polynomial regression, and support vector regression), 2) unsupervised learning (k-means clustering, hierarchal clustering, anomaly detection, neural networks (NN), principal component analysis, independent component analysis, a-priori algorithm and singular value decomposition (SVD)); and 3) reinforcement learning (Markov decision process (MDP) and Q learning)ML 技術和算法在農業部門實施，用於作物產量預測、疾病和雜草檢測、天氣預報（降雨）、土壤特性估計（類型、水分含量、pH、溫度等）、水管理、確定最佳化肥量以及牲畜生產和管理[^129] 表 9 。提供了一份出版物列表，其中不同的 ML 算法用於各種農業應用。從這些文章的分析來看，“作物產量預測”是一個被廣泛探索的領域，線性迴歸、神經網路（NN）、隨機森林（RF）和支持向量機（SVM）是最常用的機器學習技術來實現智慧農業。提出的用例仍處於研究階段，目前沒有報告商業用途。此外，還發現人工智慧和機器學習技術在溫室和室內垂直農業系統中的探索很少，特別是水耕法、魚菜共生法和汽耕法。在使用 ML 技術的同一張表中，只有少數可用的出版物進行了總結。考慮到數位化轉型帶來的網路安全和數據隱私挑戰，正在開發諸如聯合學習和隱私保護方法等新方法來實現數位農業^[130] 。這些方法在不共享私有數據樣本的情況下從本地參數建立 ML 模型，從而緩解了安全問題。

表 9. 基於機器學習的農業系統。

4.7.2.農業深度學習

深度學習 (DL) 代表了經典 ML 的擴展，它可以特別好和快速地解決複雜問題（預測和分類），因為模型中添加了更多“深度”（複雜性）。 DL 的主要優點是特徵學習，它涉及從大型數據集中自動提取特徵（高級資訊） ^[149] 。不同的 DL 算法是卷積神經網路 (CNN)、長短期記憶 (LSTM) 網路、循環神經 (RNN) 網路、生成對抗網路 (GAN)、徑向基函數網路 (RBFN)、多層感知器 (MLP)、前饋人工神經網路 (ANN)、自組織圖 (SOM)、深度信念網路 (DBN)、受限玻爾茲曼機 (RBM) 和自動編碼器。這些算法、流行架構和訓練平台的詳細描述可從各種來源獲得^[150] 。Different DL algorithms are convolutional neural networks (CNNs), long short term memory (LSTM) networks, recurrent neural (RNN) networks, generative adversarial networks (GANs), radial basis function networks (RBFNs), multilayer perceptron (MLPs), feedforward artificial neural network (ANN), self-organizing maps (SOMs), deep belief networks (DBNs), restricted Boltzmann machines (RBMs), and autoencoders. 圖 13說明了 CNN ^[151]的 DL 架構的示例。在農業領域，深度學習算法主要用於解決與電腦視覺應用相關的問題，這些應用以預測作物產量、土壤水分含量、天氣條件和作物生長條件等關鍵參數為目標；疾病、害蟲和雜草的檢測；以及葉或植物種類的鑑定^[152] 。電腦視覺是一個跨學科領域，近年來由於 CNN 的激增而獲得了巨大的關注。它提供了允許準確處理數位圖像並使電腦能夠解釋和理解視覺世界的方法和技術^[153] 。表 10給出了使用深度學習和電腦視覺技術的農業應用總結 HYPERLINK "https://www.sciencedirect.com/science/article/pii/S2772375522000090" \l "tbl0010" 。在所有 DL 算法中，CNN 或 Convet 及其變體是農業應用中最常用的算法。 CNN 的變體有基於區域的 CNN（RCNN）、Fast-RCNN、Faster-RCNN、YOLO 和 Mask-RCNN，其中前四種主要用於解決目標檢測問題。另一方面，Mask-RCNN 用於解決實例分割問題。讀者可以參考現有的參考書目來詳細描述這些算法及其應用^[152] 。很少有研究還使用其他深度學習技術。談到數據集，大多數 DL 模型都是使用圖像訓練的，很少有模型是使用從現場收集的感測器數據訓練的。這表明深度學習可以應用於各種各樣的數據集。還觀察到大部分工作是在戶外農場完成的，而下一代農場（環境控制）並未得到廣泛探索。儘管深度學習有可能實現數位農業，但大多數系統仍處於原型階段。此外，網路安全和隱私問題帶來的新挑戰需要最佳化當前的深度學習和電腦視覺方法。

圖 13. CNN架構示例。

表 10. 基於深度學習的農業系統。

4.8.農業決策支持系統

決策支持系統 (DSS) 可以定義為一種智慧系統，它通過根據從原始數據、文檔、個人知識和/或模型^[170] 。 DSS 可以是數據驅動的、模型驅動的、通信驅動的、文檔驅動的和知識驅動的。這些 DSS 的顯著特徵可在以下來源^[171]中獲得。圖 14展示了 DSS 的一般架構，由四個基本組件組成，每個組件都有其特定用途。

圖 14 決策支持系統的總體架構。

圖 15. 網路物理系統的 5C 架構，（改編）^{[ 187 ]}。

由於農業 4.0 的演進，農業數據量大幅增加。為了將這些異構數據轉化為實用知識，需要像農業決策支持系統 (ADSS) 這樣的平台來就農場營運和設施佈局做出基於證據的精確決策^[172] 。在過去的幾年中，ADSS 在農業領域引起了廣泛關注。已經開發了許多 ADSS，它們側重於各種農業方面，例如農場管理、水管理和環境管理。表 11總結了文獻中發現的 ADSS。從這個分析中，發現大多數 ADSS 沒有考慮專家知識，這是非常有價值的，因為它允許根據用戶的需求開發系統。其中一些 ADDS 的其他報告問題是複雜的 GUI、不充分的重新規劃組件、缺乏預測和預測能力以及缺乏適應不確定和動態因素的能力。還值得注意的是，所有的 ADSS 都是針對戶外農業系統的，並且處於研究階段。相比之下，ADSS在室內無土耕作中的應用還有很多未開發的地方。

表 11. 農業決策支持系統。

4.9.農業資訊物理系統

作為工業 4.0 的主要技術之一，資訊物理系統（CPS）是指將物理過程與通信網路和計算基礎設施整合的自動化分佈式系統^[184] 。共有三種標準 CPS 參考架構模型：即 5C、RAMI 4.0 和 IIRA，它們的詳細描述可在以下來源^[185]中獲得。其中，5C 是廣為人知的參考模型，應用廣泛。 5C 的架構由圖 15 所示的五個級別組成。 CPS 受益於各種現有技術，例如代理系統、物聯網、CC、增強現實、大數據和 ML ^[186] 。它的實施確保了可擴展性、適應性、自主性、可靠性、彈性、安全性和安全性改進。

圖 16. 數位孿生過程示意圖，（改編） ^[199] 。

農業領域被認為是可以從 CPS 技術中受益的複雜領域之一。農業資訊物理系統 (ACPS) 使用先進的電子技術和農業設施來建立與物理環境交互的綜合農場管理系統，以維持作物的最佳生長環境^[188] 。 ACPS 以高精度收集有關氣候、土壤和作物的必要和適當的數據，並將其用於管理澆水、濕度和植物健康等。已經開發了各種 ACPS 來管理不同的服務，並對其總結在表 12中給出。查看這些 ACPS，大多數系統仍處於原型和概念級別。此外，大多數研究都是針對戶外農場進行的，只有少數與土壤溫室系統相關的著作發表。沒有發現與室內無土耕作系統相關的研究。 ACPSs 因其在不同領域的廣闊應用前景而引起了廣泛的研究興趣；在實際應用中部署 CPS 模型仍然是一個挑戰，因為它需要適當的硬體和軟體^[189] 。此外，在設計 ACPS 時，應特別注意自主性、穩健性和彈性，以應對環境的不可預測性和農業設施特徵的不確定性。影響 ACPS 的因素有多種（人類、感測器、機器人、作物和數據等）。為了確保順利運行，同時避免衝突、錯誤和中斷，需要仔細和全面地設計 ACPS。

表 12. 農業資訊物理系統。

4.10。農業中的數位孿生

數位孿生 (DT) 是真實（物理）對象的動態虛擬複製品，它通過使用真實世界的數據、模擬和機器學習模型，結合數據，在對像生命週期的多個階段反映其行為和狀態分析以實現理解、學習和推理^[198] 。對任何物理系統的 DT 概念的完整描述都需要對各種特徵進行整合和形式化，包括物理和虛擬實體、物理和虛擬環境、計量以及執行物理到虛擬和虛擬到物理連接的實現模塊或孿生，孿生和孿生率，以及物理和虛擬過程^[199] 。顯示這些特性的映射的示意圖如圖16所示。由於物聯網、大數據、無線感測器網路和雲端計算等技術的進步， DT概念得到了重視。這是因為這些技術允許通過產生不斷增加的數據流的微型設備和遙感，以高空間分辨率即時監控物理孿生^[21] 。

與其他學科相比，DT 在農業應用中的概念相當不成熟，其首次參考發生在 2017 年；因此它的附加價值尚未得到廣泛討論^[21] 。這是因為框架是一個高度複雜和動態的領域，因為它依賴於自然條件（氣候、土壤、濕度）和活體孿生（植物和動物）和非活體孿生（室內農場建築、種植床、戶外農田、農業機械）。非活體孿生直接或間接與植物和動物（活體孿生）相互作用，從而為農業中的 DT 帶來更多挑戰。而在其他領域，例如製造 DT，主要關注非生命物理孿生。表 13總結了過去 10 年發展的農業 DT。

表 13. 農業中的數位孿生

分析表明，大多數研究都集中在露天農業系統上。只有一項研究提出了基於土壤的垂直農業系統的 DT 和一項針對無土農業系統（魚菜共生）實施 DT 的研究。這可能是因為現代農業系統的設計和管理具有挑戰性。此外大多數 DT 處於研究階段，目前還沒有商業部署。據報導，DT 在農業中應用的好處是降低成本、預防災害、制定更清晰的決策和高效的管理操作，可應用於多個農業子領域，如動植物育種、魚菜共生、垂直農業、種植系統和畜牧業.雖然 DT 技術具有巨大潛力，但實現物理實體與其數位對應物之間的同步具有挑戰性。由於活生生的孿生的特殊性，這一過程的複雜性在農業系統中被進一步放大。因此，農業 DT 的實施應從微型農場開始，然後通過結合更多組件逐步增強為智慧和自主版本。

4.11。農業數位化的障礙

本節通過列出一系列相互關聯的障礙來回答 RQ3，這些障礙阻礙了農業部門更廣泛地採用數位技術。在分析了 148 篇文章後，確定了 21 個障礙，可以在技術和社會經濟層面進行分類。

4.12。技術障礙

1.互操作性：數據被認為是智慧系統成功的基石。農業數據通常來自多個異構來源，例如數千個個體農田、動物工廠和企業app。這些數據可以有多種格式，使數據整合變得複雜。因此，數據互操作性對於在系統的數據收集、存儲、處理和知識挖掘之後提高這種大規模分散數據的價值十分重要^[208] 。同樣，為了在異構設備之間建立有效的通信，它們需要相互連接和互操作。通過跨技術通信，可以提高系統的互操作性^[209] 。

2.標準化：要充分利用智慧農業應用的數位技術，設備的標準化十分重要。由於不時的誤解和更改，可能會出現輸出差異。通過標準化，設備、app和系統的互操作性問題也可以得到解決^[25] 。

3.數據品質：為了產生有意義的結果，數據品質與數據安全性、存儲和開放性一樣重要。缺乏分散的數據管理系統是阻礙採用智慧農業作業的另一個障礙^[9] 。這個問題降低了多個參與者共享農業數據的意願。

4.硬體實現：在大規模開放領域部署智慧農業設置極具挑戰性。這是因為由物聯網設備、無線感測器網路、感測器節點、機械和設備組成的所有硬體直接暴露在惡劣的環境條件下，如強降雨、高/低溫水準、極端濕度、強風速和許多其他可能破壞電子電路或破壞其正常功能的危險^[210] 。一種可能的解決方案是為所有昂貴的設備建立足夠的外殼，該外殼堅固耐用，足以承受真實的現場條件^[211] 。

5.充足的電源：通常部署在農場的無線設備可以持續運行很長時間，並且電池壽命有限。一個合適的節能方案是必要的，因為在任何故障的情況下，即時更換電池是複雜，特別是在設備被策略性地放置在最少存取的露天農場^[210] 。最佳化能源消耗的可能解決方案是使用低功率感測器和適當管理通信 ^{[ 24 , 212 ]}。無線電力傳輸和自支持無線系統是其他有前途的解決方案，可以通過電磁波為電池充電來消除更換電池的需要。然而在大多數農業應用中都需要長距離無線充電^[9] 。使用感測器節點從河流、流體流動、車輛運動和地面收集環境能量提供了另一種可行的解決方案，但目前轉換的電能有限，這就需要提高功率轉換效率^[213] 。

6.可靠性：設備以及相應的軟體app的可靠性十分重要。這是因為物聯網設備需要根據使用多個軟體包做出的決策來收集和傳輸數據。不可靠的感測、處理和傳輸會導致錯誤的監測數據報告、長時間的延遲，甚至數據丟失，最終影響農業系統的性能^[25] 。

7.適應性：農業環境複雜、動態且變化迅速。因此，在設計系統時，設備和app有必要在不確定和動態因素下主動適應其他實體提供所需的性能^[214] 。

8.強大的無線架構：無線網路和通信技術在低成本、廣域覆蓋、足夠的網路靈活性和高可擴展性方面提供了多項優勢。但動態農業環境（例如溫度變化、生物體運動和障礙物的存在）對可靠的無線通信提出了嚴峻挑戰。例如信號強度的波動是由於多徑傳播效應而發生的，導致連接不穩定和數據傳輸不充分^[215] 。這些因素會影響農業系統的績效。因此，需要具有適當位置的感測器節點、天線高度、網路拓撲和通信協議的穩健且容錯的無線架構，這些架構也需要最少的維護^[11] 。

9.干擾：另一個挑戰是無線干擾和服務品質下降，因為物聯網設備和無線感測器網路的密集部署。這些問題可以通過異構感測設備、認知無線電輔助 WSN 和新興網路原語（如並發傳輸）之間的有效信號通道調度來緩解^[216] 。由於農業設備分佈在室內溫室、室外農田、地下區域甚至水域，因此還需要地下、水下和空氣之間的跨媒體通信，以完全融入智慧技術^[217] 。

10.安全性和隱私性：智慧農業系統的分佈式特性給網路攻擊帶來了潛在的漏洞，例如竊聽、數據完整性、拒絕服務攻擊或其他可能危及系統隱私、完整性和可用性的中斷類型。^{( 218]} 。網路安全是一個重大挑戰，需要在智慧農業的背景下解決，具有多種隱私保護機制和聯合學習方法^[130] 。

11.兼容性：要達到片段化和可擴展性的標準，開發的模型或軟體app應該是靈活的，並且可以在安裝在農業系統中的任何機器上運行^[13] 。

12.資源最佳化：農民需要一個資源最佳化過程來估計物聯網設備和網關的最佳數量、雲端存儲大小和傳輸數據量，以提高農場的盈利能力。由於農場的規模不同，並且需要不同類型的感測器來量測不同的變數，因此資源最佳化具有挑戰性^[219] 。其次，大多數農場管理系統不提供與農民不同需求相關的運行時定制。因此，需要複雜的數學模型和算法來估計足夠的資源分配^[75] 。

13.可擴展性：由於技術的進步，農場安裝的設備、機械和感測器的數量正在逐漸增加。為了支持這些實體，網關、網路app和後端數據庫應該是可靠和可擴展的^[220] 。

14.以人為本的用戶界面：現有農業app和設備的複雜用戶界面正在阻礙智慧農業作業。大多數 GUI 的設計方式只有專家才能用於執行農業任務。通過以人為中心的多模式反饋來改進用戶界面，將允許更多的人使用它來執行不同的農業操作^[96] 。

4.13。社會經濟障礙

15.農民與研究人員之間的差距：農民的參與是農業數位化成功的關鍵因素。農民在農業食品生產過程中面臨很多問題，智慧技術可以解決這些問題，但農業專家通常不了解這些問題^[16] 。此外要設計出合適的智慧解決方案，首先，重要的是要充分了解問題的本質。因此彌合農民、農業專業人士和人工智慧研究人員之間的差距十分重要。

16.與智慧系統相關的成本：與採用智慧技術和系統相關的成本是農業部門數位化的主要障礙。這些成本通常涉及部署、營運和維護成本。智慧系統的部署成本通常非常高，因為它們涉及； i) 硬體安裝，例如自主機器人和無人機、WSN、網關和基站基礎設施等，以執行某些農場操作，以及 ii) 僱用熟練勞動力^[221] 。同樣，為了促進數據處理、物聯網設備和設備的管理以及知識交流，需要訂閱集中式網路和軟體套裝包，這最終會增加營運成本^[222] 。儘管有時服務提供商會提供功能受限的免費訂閱包，但存儲容量是有限的。為了確保智慧系統的正常運行，需要偶爾進行維護，這也增加了總成本。與智慧系統部署相關的其他類型的成本可能是環境、道德和社會成本。為了克服與成本相關的障礙，需要以合作農業為重點的舉措提供； i) 支持服務以更好地處理成本和所需投資，以及 ii) 將傳統設備轉變為智慧農場就緒機械的硬體解決方案，以降低高昂的初始成本^[222] 。

17.數位部門：減緩農業部門數位化的另一個因素是缺乏對數位技術及其應用的了解。大多數農民不知道數位技術的意義，如何實施和使用，以及哪種技術適合他們的農場並滿足他們的要求^[14] 。因此，有必要對農民進行現代農業技術和系統的教育。此外需要不同的策略來使用自然語言建立工具，使受教育程度低的農民容易理解^[223] 。

18.投資回報：在農業中，利潤率與其他行業一樣非常重要。當談到先進技術的實施時，農民對收回投資的時間和評估優勢的困難感到擔憂^[12] 。

19.建立信任：與其他學科不同，建立對農業智慧技術有效性的信任是困難的，因為許多決策會影響涉及生物和非生物實體的系統，其後果難以逆轉^[16] 。此外，數位工具對農場生產力影響的證據不足，進一步加劇了當前的挑戰。

20.法律法規：不同地區和國家有不同的法律框架，這些法律框架會影響數位技術在農業部門的實施，特別是在監測和農業食品供應方面^[70] 。同樣，與資源分配（無線設備的頻譜）、數據隱私和安全相關的法規也因國家而異^[70] 。

21.連接基礎設施：大多數欠發達國家通常沒有足夠的連接基礎設施，這限制了對高級數位工具的存取，這些工具有助於將來自異構來源的數據轉化為有價值和可操作的見解^[10] 。

4.14。討論

本節討論 RQ1、RQ2 和 RQ3 的主要結論。介紹了附加值、考慮因素和未來方向，以確保農業工業的更高準確性和巨大進步。

4.15。 RQ1、RQ2 和 RQ3

本研究試圖闡明農業行業正在實施的新興數位技術，以預測農業 4.0 的未來軌跡。通過查看第4節中的表2 、表3 、表4 、表5 、表6 、表7 、表8 、表9 、表10 、表11 、表12 、表13 ，可以看出一些技術如大數據和分析、無線感測器網路、網路物理系統和數位孿生在農業中沒有得到顯著探索。

這種差距的一個原因可能是實施具有更複雜操作的先進技術可能會很昂貴，至少在採用它們的早期實驗階段是這樣。因此，這些技術在農業工業中的發展在未來幾年應該會增加。 SLR 的結果還表明物聯網在農場得到了顯著實施。這是由於物聯網的廣泛功能，例如在監控、跟踪和追溯、農業機械和精準農業^[21] 。可以說，物聯網是農業 4.0 方法中的主要研究目標之一。然而，只有少數研究在開發智慧農業系統時考慮了數據的安全性和可靠性、可擴展性和互操作性。

研究結果還表明，大多數用例仍處於原型階段。可能的原因可能是因為大多數農業操作都與有生命的主體有關，例如動植物或易腐爛的產品，而開發系統比無生命的人造系統更難。另一個原因可能是由於該領域的跨學科性質，農業對技術的採用緩慢，因此要開發智慧系統，農業界必須熟悉所有數位技術。最後，植物/作物種類和生長條件的變化也使農業系統的數位化變得複雜[188] 。

SLR 的研究結果還表明，大多數系統是為露天土壤農場開發的，而不是室內農場（無土和土壤）。這是由於室內農場的複雜設計和管理，特別是無土農場，其中要控制多種多樣的參數和因素（pH、氣溫、濕度等）^[5] 。但通過在室內農場引入數位技術和數據驅動的電腦app，可以實現對過程的更穩健控制。此外，SLR 還透露，在第 3 節中提到的九個不同服務類別中的三個（土壤管理、水果檢測和計數以及作物品質管理）進行了有限的研究。這證實了在某些領域需要大量研究和開發。確保發達國家和發展中國家成功實現農業數位化的領域。

農業生態系統的複雜性帶來了一系列相互關聯的障礙，阻礙了數位技術的全面整合，以實現農業 4.0。因此，必須確定潛在的障礙，以便提出克服它們的策略解決方案。本研究試圖探索這些障礙是什麼。根據分析，在技術和社會經濟層面確定和分類了 21 個障礙。這些障礙在第 5 節中列出，這表明需要為更大規模的農業數位化做些什麼。但目前尚不清楚這些障礙的消除或緩解在多大程度上有助於數位技術的成功整合。

4.16。農業數位化的附加值

根據分析，可以激勵制定者和其他參與者支持農業數位化的一些好處被確定和總結如下。所呈現的好處有可能最大限度地提高農場的生產力和提高產品品質，但它們不應被視為應對智慧農業相關挑戰的靈丹妙藥^[222] 。•

1.提高敏捷性：數位技術提高了農場營運的敏捷性。通過即時監測和預報系統，農民或農業專家可以對環境和水條件的任何潛在波動做出快速反應，以拯救作物^[221] 。氮肥、殺蟲劑和除草劑的使用，使農業過程更加環保和適應氣候變化^[224] 。

2.資源利用效率：數位平台可以通過提高農業產出的數量和品質以及限制水、能源、化肥和農藥的使用來提高資源利用效率^[3] 。•

3.節省時間和成本：數位技術通過自動化不同的操作（例如收穫、播種或灌溉、控制化肥或殺蟲劑的施用以及安排灌溉）來顯著節省時間和成本^[225] 。

4.資產管理：數位技術允許對農場財產和設備進行即時監控，以防止盜竊、加快部件更換和執行日常維護^[10] 。

5.產品安全：數位技術通過防止與摻假、假冒和人工增強相關的欺詐行為，確保足夠的農場生產力，並保證安全和營養豐富的農產品供應^[218] 。

4.17。考慮因素和未來前景

為了使中小型種植者的事情可持續發展，需要首先解決第 5 節中提到的障礙。宣傳活動強調智慧農業在農業價值鏈各個層面的重要性，並推廣創新方式（如游戲化）以鼓勵利益關係者在數位革命中發揮積極作用，可以緩解上述一些障礙^[9] 。政府層面的舉措、贈款和捐贈基金、公私合作夥伴關係、數據的開放性和區域基礎研究工作也有助於應對潛在的障礙。最後，在開發智慧農業系統時可以採用路線圖，從具有較少組件和更簡單功能的基本架構開始，逐漸添加組件和功能，以開發具有數位化潛力的複雜系統^[21] 。這些考慮可以為農業 4.0 的成功實施鋪平道路。

智慧農業數位技術的未來前景包括使用可解釋的人工智慧來監測作物生長、估計作物生物量、評估作物健康以及控制病蟲害。可解釋的 AI 消除了機器學習的傳統黑盒概念，並能夠理解任何特定決策背後的原因[15] 。通過通用語義和本體描述大數據以及採用開放標準具有推動智慧農業研發的巨大潛力。同樣，為確保作物數據的增強連接和即時流傳輸，需要廣泛探索 5G 技術^[6] 。5G 技術將通過遠程執行準確的作物檢查來最大限度地降低互聯網成本並增強農場管理和食品安全的整體用戶體驗^[226] 。此外，它將通過讓利益相關者充分了解農產品供應情況，大大縮小利益相關者之間的差距。最後，可以將區塊鏈與物聯網和其他技術相結合，以解決與數據隱私和安全相關的挑戰^[227] 。

4.18。向農業 5.0 過渡

工業革命總是在農業領域帶來突破。正如前幾節正式討論的那樣，農業 4.0 具有巨大的潛力，可以通過 WSN、物聯網、人工智慧等加強農業系統來平衡不斷成長的糧食需求並為未來做準備。雖然農業 4.0 的實現仍在進行中，但已經有一個討論關於農業5.0。農業 5.0 通過納入工業 5.0 原則擴展了農業 4.0，以生產健康且負擔得起的食品，同時確保防止生命所依賴的生態系統退化^[228] 。歐盟委員會在觀察到工業 4.0 較少關注社會公平和可持續性的原始原則，而更多地關注數位化和人工智慧驅動技術以提高效率和靈活性後，正式呼籲在 2021 年進行第五次工業革命（工業 5.0） ^[229] .。工業 5.0 補充和擴展了工業 4.0 的概念，以認識到以人為本、可持續性和彈性^[230] 。它涉及改進人與機器之間的協作交互，通過循環經濟減少對環境的影響，並在系統中開發高度的穩健性以實現效率和生產力之間的最佳平衡。工業 5.0 的使能技術是 Cobots（協作機器人）、具有嵌入式仿生感測器的智慧材料、數位孿生、人工智慧、節能和安全的數據管理、可再生能源等^{[229] .}. 在農業 5.0 設置中，農場的通過將重複和單調的任務分配給機器並將需要批判性思維的任務分配給人類，可以提高生產效率和作物品質。為此，應該為農業部門開發類似於製造業的網路物理認知系統（CPCS），觀察/研究環境並採取相應的行動。這可能包括協作農場機器人，它們將在田間工作並協助作物生產者完成繁瑣的任務，例如播種和收穫等。同樣，農業 5.0 中的數位孿生也可以通過識別農業系統中的技術問題並在更快的速度，檢測作物病害，並以更高的準確率進行作物產量預測。這表明農業 5.0 有潛力為氣候智慧型、可持續和有彈性的農業鋪平道路，但截至目前，它仍處於發展階段。

5。結論

對全球糧食安全的日益關注加速了對下一代工業化農場和農業集約化生產方法的需求。在這個現代農業時代的最前沿，工業 4.0 倡議提供的數位技術正在提出無數創造性的解決方案。科學界和研究人員將顛覆性技術整合到傳統農業系統中，以提高作物產量、最小化成本、減少浪費並維持流程投入。

本研究提出了一個 SLR，討論了這些技術在農業部門的普遍狀況。應用 SLR 協議後，從 2011 年到 2021 年的時間範圍內考慮了 148 篇文章。各種研究問題涉及 i) 當前和持續的研究趨勢，ii) 功能、成熟度、農場類型以及使用的工具和技術，iii)主要障礙，以及 iv) 數位技術的附加值；被提出和回答。得出了幾個結論，例如大數據和分析的整合、無線感測器網路、網路物理系統以及農業中的數位孿生僅處於起步階段，大多數用例都處於原型階段。同樣，在技術和社會經濟層面識別和分類了 21 個障礙。為確保農業數位化，必須分析和克服這些障礙。該研究還確定並介紹了數位技術在農業中的附加值。總體而言，這項研究有助於圍繞農業 4.0 開展的研究。這篇評論的主要限制有兩個：首先，文獻搜索只考慮三個線上存儲庫（Scopus、IEEE 和 Science Direct），其次，額外的關鍵字和同義詞可能會返回更多研究。在這兩種情況下，總體調查結果都不太可能發生變化。對於未來的工作，可以考慮額外的研究數據庫和方面，以便在數位化方面提供農業產業的整體概況。此外，還將包括針對一般農業 5.0 的研究。